测试目前有两个方向：AI for Testing（用AI测试）和Testing for AI（测AI产品）

AI测试学习地图

一、AI for Testing

以下是AI for Testing框架，AI驱动的全链路自动化测试流水线

Skill技能：稳定的流程写成说明书加规则库加脚本库，打包给AI，让AI能反复并稳定的执行

专家Agent：角色卡+工具库+工作流程规范，包含：AGENT.md、SOUL.md、USER.md、skills等

多Agent协同：如果一个Agent什么都干，容易顾此失彼，执行层由子Agent执行，一是为了保持主Agent上下文干净，二是避免上下文太长，大模型注意力分散

workflow：Agent灵活但是不稳定，不可控，所以测试流程需要workflow工作流，通过预定义的一条代码路径来编排模型和工具的系统，AI只负责在每个节点上面干活，不能自己去改路线。

AI x 测试全流程：AI渗漏到测试中的每个环节，比如AI生成测试用例接口自动化，UI自动化，造数，根因分析，如果只是让每个环节都用上AI，肯定是不够用的，我们需要做到AI测试的工程化，所有我们不能只依赖codex，openclaw这类的通用agent通过skill完成零散的任务，我们需要直接调用AI模型，结合公司的技术栈，自主的去设计和开发测试Agent，在代码里要自己调度任务，对过程数据进行处理落库，确保每一次的执行都可追踪可回溯，最后把这个Agent作为测试质量的节点接入到流水线中，成为发布管控的一环，最终要实现端到端的AI测试，让QA从大量重复的工作里面释放出来，把精力放在风险判断、质量标准和关键结果确认上面。

二、Testing for AI

第一部分是借助AI完成测试任务，广义的AI测试还包含，用AI测试生成内容，叫做AI评测，

AI评测与传统软件测试区别：

传统的软件测试通常由相对明确的预期结果，可以通过断言判断对错，但是生成式AI具有概率性，同样的输入可能得到不同的答案，很多任务是没有唯一标准答案的，整套测试方案发生平易